Nghiên cứu chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT CƠ ĐIỆN TỬ NGHIÊN CỨU, CHẾ TẠO HỆ THỐNG GIÁM SÁT NHÀ VƯỜN TỪ XA ỨNG DỤNG XỬ LÝ ẢNH GVHD: TS TRẦN VŨ HỒNG SVTH: LÊ ĐÌNH HÙNG NGUYỄN BÁ HUY NGUYỄN TRÍ TRUNG S K L 1 Tp Hồ Chí Minh, tháng 7/2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM KHOA CƠ KHÍ CHẾ TẠO MÁY ĐỒ ÁN TỐT NGHIỆP Đề tài: “Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh” Giảng viên hướng dẫn: Sinh viên thực hiện: LÊ ĐÌNH HÙNG NGUYỄN BÁ HUY NGUYỄN TRÍ TRUNG TS TRẦN VŨ HOÀNG MSSV Lớp: 19146016 19146CL3B 19146194 19146CL3B 19146289 19146CL2A TP Hồ Chí Minh, tháng 07 năm 2022 Khóa: 2019 – 2023 2019 – 2023 2019 – 2023 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CƠ KHÍ CHẾ TẠO MÁY Độc lập - Tự – Hạnh phúc NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Giảng viên hướng dẫn: TS Trần Vũ Hồng Sinh viên thực hiện: - Lê Đình Hùng MSSV: 19146016 Điện thoại: 0384813278 - Nguyễn Bá Huy MSSV: 19146194 Điện thoại: 0865265170 - Nguyễn Trí Trung MSSV: 19146289 Điện thoại: 0916645679 Tên đề tài Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh Các số liệu, tài liệu ban đầu - Hệ thống nhà vườn phục vụ cho nông nghiệp với chức sử dụng camera quét hết vườn để phát sâu bệnh Sử dụng cấu di chuyển camera cấu xử lý phát bệnh Nội dung đồ án - Nghiên tổng quan nước - Thiết kế khí hệ thống nhà vườn - Xây dựng hệ thống điện điều khiển camera - Chế tạo sản phẩm thực nghiệm Các sản phẩm dự kiến - Báo cáo tổng kết - Bản vẽ thiết kế - Mơ hình thực tế Ngày giao đồ án: 15/03/2023 Ngày nộp đồ án: 15/07/2023 Ngơn ngữ trình bày: TRƯỞNG KHOA (Ký, ghi rõ họ tên) Bản báo cáo: Tiếng Anh  Tiếng Việt  Trình bày bảo vệ: Tiếng Anh  Tiếng Việt  TRƯỞNG BỘ MÔN (Ký, ghi rõ họ tên) GIẢNG VIÊN HƯỚNG DẪN (Ký, ghi rõ họ tên) i LỜI CAM KẾT - Tên đề tài: Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh - GVHD: TS Trần Vũ Hoàng - Họ tên sinh viên 1: Lê Đình Hùng MSSV: 19146016 Lớp: 19146CL3B Địa sinh viên: 122/20/6 Đường Số 11, Phường Trường Thọ, Thành Phố Thủ Đức Số điện thoại liên lạc: 0384813278 Email: hungle22112001@gmail.com - Họ tên sinh viên 2: Nguyễn Bá Huy MSSV: 19146194 Lớp: 19146CL3B Địa sinh viên: 122/20/6 Đường Số 11, Phường Trường Thọ, Thành Phố Thủ Đức Số điện thoại liên lạc: 0865265170 Email: bahuy1521@gmail.com - Họ tên sinh viên 3: Nguyễn Trí Trung MSSV: 19146289 Lớp: 19146CL2A Địa sinh viên: 122/20/6 Đường Số 11, Phường Trường Thọ, Thành Phố Thủ Đức Số điện thoại liên lạc: 0916645679 Email: tritrungx6@gmail.com - Ngày nộp khoá luận tốt nghiệp (ĐATN): 15 – 07 - 2023 - Lời cam kết: “Tơi xin cam đoan khố luận tốt nghiệp (ĐATN) cơng trình tơi nghiên cứu thực Tôi không chép từ viết công bố mà khơng trích dẫn nguồn gốc Nếu có vi phạm nào, tơi xin chịu hồn tồn trách nhiệm” Tp Hồ Chí Minh, ngày 15 tháng 07 năm 2023 Ký tên ii LỜI CẢM ƠN Lời đầu tiên, nhóm xin phép gửi lời cảm ơn sâu sắc đến thầy Trần Vũ Hồng, đóng góp hỗ trợ quý báu mà thầy dành cho nhóm suốt q trình thực đồ án tốt nghiệp Nhờ có tận tâm hướng dẫn kỹ từ thầy, nhóm hồn thành đồ án cách tốt Ngồi ra, nhóm khơng thể qn gửi lời cảm ơn chân thành đến gia đình, bạn bè đồng hành, hỗ trợ nguồn động lực quan trọng cho nhóm suốt q trình học tập làm việc trường Đại học Sư phạm Kỹ thuật TP.HCM Những lời khích lệ niềm tin từ người thúc đẩy nhóm vượt qua khó khăn không ngừng tiến Những kiến thức, kỹ hỗ trợ quý báu từ thầy cô người tảng vững để nhóm vượt qua thử thách chinh phục cột mốc tương lai Nhóm cam kết ln sẵn sàng tiếp thu ý kiến đóng góp chân thành từ phía thầy để ngày hồn thiện thân sẵn sàng cho hành trình phát triển nghiệp đầy hứa hẹn iii TÓM TẮT ĐỒ ÁN TÊN ĐỀ TÀI Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh Ngày nay, trồng thủy canh trở thành phương pháp phổ biến hiệu nông nghiệp đại Để tối ưu hóa q trình trồng thủy canh, nhà nghiên cứu liên tục áp dụng công nghệ tiên tiến hệ thống điều chỉnh để giúp trồng phát triển nhanh chóng đạt hiệu suất cao Tuy nhiên, phương pháp truyền thống dựa vào liệu cảm biến để điều chỉnh môi trường, bỏ qua việc quan tâm đến đặc điểm màu sắc hình ảnh Nhận thức tính quan trọng việc theo dõi mặt hình ảnh trình sinh trưởng, nhóm tiến hành phân tích đặc điểm thông qua biểu biến đổi màu sắc Việc cung cấp thơng tin quan trọng tình trạng sinh trưởng sức khỏe cây, đồng thời giúp phát sớm dấu hiệu bất thường hay bệnh tật ảnh hưởng đến phát triển Để đảm bảo việc giám sát thời gian thực thuận tiện cho người trồng, nhóm nghiên cứu sử dụng cơng nghệ web để hiển thị vị trí Điều giúp người dùng dễ dàng theo dõi tình trạng kiểm tra thông tin liên quan cách trực quan tiện lợi Bước q trình nghiên cứu tối ưu hóa mơi trường ni trồng cho Nhóm tìm cách hiệu chỉnh pH ppm cho dựa giai đoạn chúng Điều đảm bảo cung cấp yếu tố dinh dưỡng cần thiết phù hợp với giai đoạn phát triển khác nhau, giúp phát triển mạnh mẽ tăng hiệu suất sản xuất Phương pháp nhóm đạt độ xác 74% việc phân loại giai đoạn trưởng thành non Kết đánh giá đáp ứng hệ thống định lượng pH ppm dung dịch theo thông số cài đặt ban đầu có độ sai lệch nhỏ Cụ thể sai lệch giá trị pH đo sau hệ thống tự động điều chỉnh so với giá trị pH cài đặt 0.1 pH sai lệch giá trị ppm đo sau hệ thống tự động điều chỉnh so với giá trị ppm cài đặt 23 ppm iv ABSTRACT PROJECT TITLE Research and development of a remote garden monitoring system using image processing Nowadays, hydroponic cultivation is becoming a popular and efficient method in modern agriculture To optimize the hydroponic plant growth process, researchers have continuously applied advanced technologies and control systems to facilitate rapid and highyield crop development However, traditional methods still rely solely on sensor data to adjust the environment, overlooking important aspects of the plants, such as color and image characteristics Recognizing the significance of monitoring the visual appearance of plants during their growth, the team conducted an analysis of the plant's features through color variations This can provide crucial information about the plant's growth status and health, while also aiding in the early detection of any abnormalities or diseases that may affect the plant's development To ensure real-time and convenient plant monitoring for growers, the research group utilized web-based technology to display the plant's locations This enables users to easily track the plant's status and access relevant information in a visual and convenient manner The next step in the research process was to optimize the cultivation environment for the plants The team devised methods to adjust the pH and ppm (parts per million) for the plants based on their current growth stages This ensures that the plants receive the necessary nutrients appropriate for different developmental phases, promoting vigorous growth and increasing production efficiency Our method achieved an accuracy of 74% in classifying the mature and young stages of the plant The system's quantitative assessment results for pH and ppm measurements in the solution under initial settings showed minor deviations Specifically, the deviation between the measured pH value after the system's automatic adjustment and the set pH value was 0.1 pH, and the deviation between the measured ppm value after the system's automatic adjustment and the set ppm value was 23 ppm v MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP .i LỜI CAM KẾT ii LỜI CẢM ƠN iii TÓM TẮT ĐỒ ÁN iv ABSTRACT v MỤC LỤC vi DANH MỤC BẢNG BIỂU .ix DANH MỤC SƠ ĐỒ, HÌNH VẼ x DANH MỤC TỪ VIẾT TẮT xiii CHƯƠNG 1: GIỚI THIỆU 1.1 Tính cấp thiết đề tài 1.2 Ý nghĩa khoa học thực tiễn đề tài 1.3 Mục tiêu nghiên cứu đề tài .4 1.4 Giới hạn đồ án 1.5 Phương pháp nghiên cứu 1.6 Bố cục luận văn tốt nghiệp .4 CHƯƠNG : TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI .6 2.1 Biểu thiếu chất dinh dưỡng .6 2.2 Phương pháp phân loại bất thường 2.3 Nghiên cứu, thiết kế khí cho hệ thống thủy canh 2.4 Hệ thống chiếu sáng cho .10 2.5 Ảnh hưởng bước sóng đèn LED đến phát triển 13 2.6 Độ pH dung dịch dinh dưỡng thủy canh .14 CHƯƠNG 3: THIẾT KẾ CƠ KHÍ .15 3.1 Yêu cầu thiết kế 15 3.2 Phân tích lựa chọn phương án truyền động 15 3.2.1 Bộ truyền vít me .15 3.2.2 Bộ truyền xích 15 3.2.3 Bộ truyền đai puly 16 vi 3.3 Phương án thiết kế hệ thống cụm camera di chuyển 17 3.4 Thiết kế khí 18 3.5 Thiết kế truyền động trục Y .20 3.5.1 Tính tốn lực tác dụng lên trục Y 20 3.5.2 Tính tốn, lựa chọn động cho trục Y 21 3.5.3 Kiểm nghiệm bền cho trục Y 22 3.5.4 Kiểm nghiệm bền cho trục truyền động đai trục X 24 3.6 Thiết kế hệ thống truyền động trục X .26 3.6.1 Tính tốn lực tác dụng lên trục X 26 3.6.2 Tính tốn, lựa chọn động hệ thống cụm camera 27 3.6.3 Kiểm nghiệm bền cho trục X 28 CHƯƠNG 4: THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN 32 4.1 Lựa chọn vi điều khiển 32 4.2 Sơ đồ khối .34 4.3 Sơ đồ nguyên lý 35 4.4 Chi tiết thành phần hệ thống 37 4.4.1 Máy tính nhúng Raspberry Pi Model B+ 37 4.4.2 Mạch điều khiển Arduino Nano .37 4.4.3 Mạch ESP32 37 4.4.4 Mạch điều khiển Arduino CNC Shield V4 38 4.4.5 Mạch cầu H 39 4.4.6 Cảm biến độ pH DFRobot Gravity 40 4.4.7 Cảm biến TDS DFRobot Gravity 41 4.4.8 Cảm biến nhiệt độ, độ ẩm khơng khí SHT30 42 4.4.9 Cảm biến nhiệt độ DS18B20 43 4.4.10 Cảm biến ánh sáng BH1750 43 4.4.11 Đèn chiếu sáng 5050SMD 44 4.4.12 Nguồn cấp .45 4.5 Lưu đồ giải thuật 47 4.5.1 Lưu đồ giải thuật VĐK ESP32 .47 vii 4.5.2 Lưu đồ giải thuật VĐK Arduino Uno 48 4.5.3 Lưu đồ giải thuật VĐK Arduino Nano 49 4.5.4 Lưu đồ giải thuật Raspberry Pi 50 CHƯƠNG 5: XỬ LÝ ẢNH .51 5.1 Tổng quan phương pháp 51 5.2 Phương pháp HSV 52 5.3 Nhị phân ảnh 52 5.4 Tính diện tích 53 5.5 Tinh chỉnh mặt nạ 53 5.6 Phát điểm bất thường 55 CHƯƠNG 6: THIẾT KẾ GIAO DIỆN WEB – WEB-SERVER .57 6.1 Các dịch vụ sử dụng web server 57 6.1.1 Dịch vụ Firebase .57 6.1.2 Dịch vụ Remote.it 60 6.2 Khởi tạo giao diện web-server 60 6.2.1 Cơ sở thiết kế web-server .60 6.2.2 Yêu cầu thiết kế web-server .61 6.3 Thiết kế giao diện 61 6.4 Đăng kí trang web lên 000webhost 65 CHƯƠNG 7: KẾT QUẢ - ĐÁNH GIÁ HỆ THỐNG 67 7.1 Kết sau gia công lắp ráp 67 7.2 Thực nghiệm đánh giá phần thiết kế khí .69 7.3 Thực nghiệm đánh giá phần điều khiển .70 7.4 Đánh giá phần xử lý ảnh 71 CHƯƠNG 8: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 75 8.1 Kết luận 75 8.2 Ứng dụng hướng phát triển 75 TÀI LIỆU THAM KHẢO 76 PHỤ LỤC 1: CODE XỬ LÝ ẢNH I viii Hình 7.5 Hình ảnh bên ngồi bên tủ điện 7.2 Thực nghiệm đánh giá phần thiết kế khí Từ yêu cầu thiết kế, thời gian cần thiết để cụm cam di chuyển giây Trong lần thí nghiệm đầu tiên, nhóm đo thời gian camera di chuyển từ thứ sang thứ hai Tổng thời gian cụm camera di chuyển 1.085 giây Chỉ qua lần khơng thể đánh giá xác thời gian đáp ứng hệ thống Vì vậy, nhóm làm thí nghiệm 11 lần thu kết bảng 7.1 Bảng 7.1 Kết thực nghiệm thời gian camera di chuyển trục Thí nghiệm Thời gian (s) Mong muốn Thực tế Sai số 1 1.085 0.085 1.07 0.07 1.073 0.073 1.091 0.091 1.032 0.032 1.43 0.43 1.1 0.1 1.43 0.43 1.21 0.21 10 0.98 0.02 11 0.61 0.39 12 1.2 0.2 Trung bình 1.10925 0.177583333 69 Ta thấy thời gian sai số cụm cam di chuyển qua vị trí 0.177s Trong q trình thực nghiệm, nhóm đánh giá với khoảng thời gian sai số hệ thống có khả thực nhận diện xác màu sắc bất thường với độ xác 74% 7.3 Thực nghiệm đánh giá phần điều khiển Để đánh giá mặt điều khiển hệ thống, nhóm tiến hành thí nghiệm điều khiển thơng số độ pH ppm Trong thí nghiệm, nhóm cài đặt thông số pH ppm web so sánh thơng số cài đặt với thông số đo từ cảm biến trả Kết thu theo bảng 7.2 Bảng 7.2 Đánh giá đáp ứng hệ thống điều chỉnh độ pH ppm thông qua web pH Mẫu Cài đặt Đo Cài đặt ppm Đo Đo Cài đặt Cài đặt Đo 5.1 6.06 7.05 1024 5.02 6.12 7.12 1023 5.14 6.15 7.01 1026 1000 5.03 6.05 6.88 1021 5.12 6.15 7.11 1022 5.08 6.05 7.13 1023 Trung bình Sai số (%) Độ lệch sai số 5.081667 6.096667 7.05 1000 1023.167 8.166 % 9.66% 5% x 0.08166 0.0966 0.05 23.167 Trong cột cài đặt, nhóm cài đặt thông số web hệ thống tự động điều chỉnh giá trị Cột đo kết đọc từ cảm biến trả Nhóm tiến hành lần để đánh giá sai lệch giá trị đọc từ cảm biến Độ lệch sai số giá trị pH đo cách lấy độ lớn giá trị trung bình cài đặt trừ giá trị trung bình đo Tương tự với giá trị ppm cài đặt giá trị đo 70 7.4 Đánh giá phần xử lý ảnh Nhóm đánh giá phần xử lý ảnh dựa khả hệ thống phân loại hai giai đoạn trưởng thành non Nhóm dựa tiêu chí diện tích để đánh giá kết bảng 7.3 Để có kết này, nhóm làm thí nghiệm với 19 tương ứng với 19 vị trí chúng hệ thống thủy canh Nhóm đánh giá khả hệ thống dự đốn xác diện tích cơng thức: Accuracy = 𝐴𝑐𝑡𝑢𝑎𝑙 × 100 𝐷𝑒𝑠𝑖𝑟𝑒𝑑 (49) Và bảng 7.3 thể kết diện tích đo thực tế qua xử lý Từ đánh giá khả hệ thống dự đốn diện tích phương pháp xử lý ảnh so với phương pháp đo diện tích ngồi thực tế tốt Từ kết đạt hình cho ta thấy hệ thống dự đốn diện tích xác đến 75.21% Hình 7.6 Kết nhận diện non 71 Bảng 7.3 Kết so sánh diện tích đo thực tế qua xử lý ảnh Plant Actual(cm^2) Desired(cm^2) Accuracy (%) 31.78 39.73 79.99% 29.71 39.85 74.55% 36.45 53.525 68.10% 32.45 34.47 94.14% 35.84 39.65 90.39% 24.54 42.48 57.77% 19.39 25.58 75.80% 17.72 37.86 46.80% 32.121 44.13 72.79% 10 32.53 35.445 91.78% 72 Bảng 7.4 Kết so sánh diện tích đo ngồi thực tế qua xử lý ảnh Actual(cm^2) Desired(cm^2) Accuracy (%) 11 23.84 28.425 83.87% 12 46.18 53.765 85.89% 13 16.21 31.435 51.57% 14 24.57 24.795 99.09% 15 17.7 31.75 55.75% 16 28.07 35.97 78.04% 17 16.23 25.47 63.72% 18 23.16 35.949 64.42% 19 25.56 35.475 72.05% Mean 29.2531 39.272 75.21% Plant 73 Chú thích bảng: - Cột desired diện tích đo xử lý ảnh, Cột actual diện tích đo ngồi thực tế Cột Plant số lượng nhóm sử dụng để đo kích thước - Cột Accuracy độ xác diện tích đo xử lý ảnh so với diện tích đo bên ngồi thực tế Kết nhận diện giai đoạn phát triển minh họa hình 7.6 hình 7.7 Trong hình 7.6 dịng chữ “dieu chinh cho tuan 1” có nghĩa cần điều chỉnh pH giai đoạn non hình 7.7 dịng chữ “dieu chinh PH cho tuan 2” có nghĩa điều chỉnh pH giai đoạn truởng thành Hình 7.7 Kết nhận diện trưởng thành 74 CHƯƠNG 8: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 8.1 Kết luận Thơng qua đề tài, nhóm tập trung nghiên cứu phát triển hệ thống trồng rau thủy canh ứng dụng xử lý ảnh nhằm nâng cao hiệu suất chất lượng sản xuất lĩnh vực nơng nghiệp Đề tài hồn thành mục tiêu đề đồ án đạt kết đáng kể Điều đáng ý hệ thống tăng cường tính tự động tiết kiệm thời gian cho người trồng rau Không cung cấp thông tin xác trạng thái cây, mà hệ thống cịn tự động điều chỉnh mơi trường trồng để đảm bảo phát triển tối ưu trồng 8.2 Ứng dụng hướng phát triển Trong tương lai, nhóm đề xuất hai phương án để nhân rộng mơ hình với quy mơ lớn sau: - - Đối với phương án thứ nhất, nhóm thiết kế mơ hình dàn ống thủy canh theo dạng xếp tầng để tăng số lượng trồng, đồng thời thiết kế lại cụm camera để di chuyển tầng Phương án thứ hai nhóm dự định thay đổi góc chụp camera theo hai trục y z, mục đích để camera chụp nhiều theo phương xiên từ xuống từ trái sang, điều giúp cấu camera dễ dàng di chuyển tầng ống thủy canh Song, phần xử lý ảnh cần phải nâng cấp để nhận diện bất thường nhiều lần chụp, xử lý phần hình ảnh bị nghiêng góc camera đặt xiên Nhóm mong muốn mở rộng hệ thống để ứng dụng cho nhiều loại trồng: Nghiên cứu mở rộng hệ thống để áp dụng cho nhiều loại trồng khác Điều tăng tính ứng dụng đa dạng việc sử dụng trồng rau thủy canh Tối ưu hóa việc thu thập liệu: Nghiên cứu phát triển cảm biến thiết bị thu thập liệu hình ảnh để đảm bảo tính xác liên tục việc cập nhật thông tin trồng Kết hợp trí tuệ nhân tạo học máy: sử dụng hệ thống trồng rau thủy canh với trí tuệ nhân tạo học máy để phát triển hệ thống tự động thông minh Việc giúp tối ưu hóa điều chỉnh mơi trường dự đoán nguy bệnh tật dựa liệu lịch sử Tận dụng thiết bị công nghệ tiên tiến hơn: Tiến hành nghiên cứu phát triển thiết bị, cảm biến công nghệ để nâng cao hiệu suất tiện ích hệ thống trồng rau thủy canh ứng dụng xử lý ảnh 75 TÀI LIỆU THAM KHẢO [1] F Xavier Rius-Ruiz, Francisco J Andrade, Jordi Riu, F Xavier Rius, Computer-operated analytical platform for the determination of nutrients in hydroponic systems, pp 92– 97, Food Chem, 3/2014 [2] Hirofumi Ibayashi, Yukimasa Kaneda, Jungo Imahara, Naoki Oishi A reliable wireless control system for tomato hydroponics, pp 644, Sensors 2016, 16, 5/2016 [3] A P Montoya, F A Obando, J G Morales, G Vargas, Automatic aeroponic irrigation system based on Arduino’s platform, pp 26–30, Journal of Physics: Conference Series, Medelin, Colombia, September 2016 [4] Dania Eridani, Olivia Wardhani, Eko Didik Widianto, Designing and implementing the arduino-based nutrition feeding automation system of a prototype scaled nutrient film technique (NFT) hydroponics using total dissolved solids (TDS) sensor, pp 170–175, The 2017 4th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), Semarang, Indonesia, 18–19 October 2017 [5] S Ruengittinun, S Phongsamsuan, P Sureeratanakorn, Applied internet of thing for smart hydroponic farming ecosystem (HFE), pp 1–4, The 2017 10th International Conference on Ubi-media Computing and Workshops (Ubi-Media), Pattaya, Thailand, 1–4 August 2017 [6] Vaibhav Palande, Adam Zaheer, Kiran George, Fully automated hydroponic system for indoor plant growth, pp 482–488, Procedia Computer Science, 2018 [7] Sirawattanakul, Smart Vertical Farm System (SVFS), The International Student Science Fair 2018, USA, 2018 [8] S Tagle, H Benoza, R Pena, F Oblea, N Ledesma, J Gonzaga, Gan Lim, Development of an indoor hydroponic tower for urban farming, The 6th DLSU International Conference on Innovation and Technology Fair, pp 1–7, Manila, Philippines, 22–23 November 2018 [9] Cambra, C Sendra, S Lloret, J Lacuesta, Smart system for bicarbonate control in irrigation for hydroponic precision farming Sensors 2018, 4/2018 [10] U Watchareeruetai, P Noinongyao, C Wattanapaiboonsuk, P Khantiviriya, and S Duangsrisai, Identification of Plant Nutrient Deficiencies Using Convolutional Neural Networks, pp 2018–2021, iEECON 2018 -6th Int Electr Eng Congr, 2018 [11] Lyine Group Hydroponics Factory, Your Hydroponic Farm Solution Expert, link www.hydroponicsfactory.com/nft-hydroponic-system.html, 7/2023 76 [12] Yuda Prasetia, Aji Gautama Putrada, Andrian Rakhmatsyah, Evaluation of IoT-Based Grow Light Automation on Hydroponic Plant Growth, Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), pp 314-325, August 2021 [13] Yuda Prasetia, Aji Gautama Putrada, Andrian Rakhmatsyah, Evaluation of IoT-Based Grow Light Automation on Hydroponic Plant Growth, pp 314-325, Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Vol 7, No 2, ISSN: 2338-3070, August 2021 [14] Mitchell, Dzakovich, M P, Gomez, C Lopez, R.G Burr, J.F Hernández, R.; Kubota, C Currey, C.J Meng, Q Runkle, E.S, pp.1–88, Light-Emitting Diodes in Horticulture Hortic, Rev.43, 2015 [15] Zhang, X Bian, Z Yuan, X Chen, X Lu, A review on the effects of light-emitting diode (LED) light on the nutrients of sprouts and microgreens, pp 203–216, Trends Food Sci Technol, 99, 2020 [16] Wang, H Gu, M Cui, J Shi, K Zhou, Y Yu, Effects of light quality on CO2 assimilation, chlorophyll-fluorescence quenching, expression of Calvin cycle genes and carbohydrate accumulation in Cucumis sativus, pp 30–37, J Photochem Photobiol B Biol, 96, 2009 [17] Ki-Ho Son, Myung-Min Oh, Leaf shape, growth, and antioxidant phenolic compounds of two lettuce cultivars grown under various combinations of blue and red light-emitting diodes, pp 988–995, HortScience, 48, 2013 [18] Kopsell, D.A.; Sams, C.E.; Morrow, R.C, Blue wavelengths from LED lighting increase nutritionally important metabolites in specialty crops, pp.1285-1288, HortScience, 50, 2015 [19] Huché-Thélier, L Crespel, L Le Gourrierec, J Morel, P Sakr, S.; Leduc, N Light signaling and plant responses to blue and UV radiations—Perspectives for applications in horticulture, pp 22–38, Environ Exp Bot, 121, 2016 [20] Bosques, J.H, Curso Basico de Hidroponia; CA, USA, 2010 [21] Lu, N.; Shimamura, S Protocols, Issues and Potential Improvements of Current Cultivation Systems, pp 31–49, In Smart Plant Factory: The Next Generation Indoor Vertical Farms, 2018 [22] McCree, K J (1971), The action spectrum, absorbance and quantum yield of photosynthesis in crop plants, pp.191–216, Agric Meteorol, 9, 1971 77 [21] Lu, N, Shimamura, S Protocols, Issues and Potential Improvements of Current Cultivation Systems In Smart Plant Factory: The Next Generation Indoor Vertical Farms, pp 31–49, T., Ed.; Springer: Singapore, 2018 [22] McCree, K J (1971), The action spectrum, absorptance and quantum yield of photosynthesis in crop plants, pp.191–216, Agric Meteorol 9, 1971 [23] Zhao, D., Raja Reddy, K., Kakani, V et al Corn (Zea mays L.) growth, leaf pigment concentration, photosynthesis and leaf hyperspectral reflectance properties as affected by nitrogen supply, pp 205–218, Plant and Soil 257, 2003 [24] Raimund Perneder, Ian Osborne, Handbook Timing Belts, Springer-Verlag Berlin, Heidelberg, 2012 78 PHỤ LỤC 1: CODE XỬ LÝ ẢNH import cv2 import numpy as np import serial import time import argparse import pandas as pd import numpy as np from scipy.ndimage import gaussian_filter import matplotlib.pyplot as plt import schedule import threading #HSV color lower_green = (30, 127, 31) upper_green = (241, 255, 255) lower_yellow=(20,132,52) #(18,77,80) upper_yellow = (34,255, 252) def camera_thread(): while True: global frame global image global string ret, frame = cap.read() frame = frame[int(roi[1]):int(roi[1] + roi[3]), int(roi[0]):int(roi[0] + roi[2])] image=cv2.resize(frame,(300,300)) print("mode_auto: ",mode_auto) print("mode",mode) print(string) cv2.imshow("Webcam", frame) cv2.imwrite("/var/www/image/image.jpg", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() #===============================Helper function for detect==============================# def extract_bg(image): kernel = np.ones((3, 3), np.uint8) gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY) gray=cv2.GaussianBlur(gray,(3,3),0) _, binary_image = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV) binary_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) return binary_image def convert_to_binary(image): kernel = np.ones((3, 3), np.uint8) gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY) I gray=cv2.GaussianBlur(gray,(3,3),0) _, binary_image = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY) binary_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) return binary_image def hsv_color(image,lower_threshold,upper_threshold): hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv_image, lower_threshold,upper_threshold) result = cv2.bitwise_and(image, image, mask=mask) return result def extract_yellow_mask(image,lower_yellow,upper_yellow,show=False): image_yellow=hsv_color(image,lower_yellow,upper_yellow) image_green=hsv_color(image,lower_green,upper_green) b_img_yellow=convert_to_binary(image_yellow) b_img_green=convert_to_binary(image_green) # # Find the intersection mask using bitwise AND intersection = cv2.bitwise_and(b_img_green,b_img_yellow) # Find the non-intersection mask of mask1 using bitwise NOT non_intersection_mask1 = cv2.bitwise_not(b_img_yellow) # Combine the non-intersection mask of mask1 with mask2 using bitwise OR subtracted_mask = cv2.bitwise_or(non_intersection_mask1, b_img_green) # Invert the mask to change the background to white inverted_mask = cv2.bitwise_not(subtracted_mask) return b_img_green,b_img_yellow,inverted_mask def min_max_norm(image): a_min, a_max = image.min(), image.max() return (image-a_min)/(a_max - a_min) def cvt2heatmap(gray): heatmap = cv2.applyColorMap(np.uint8(gray), cv2.COLORMAP_JET) return heatmap #===================================Hàm chuyển từ pixel sang diện tích=============================================# #Chiều rộng thực tế - đơn vị(cm) image_width_cm =10 #Chiều cao thực tế - đơn vị(cm) image_height_cm =10 #Hàm chuyển từ pixel sang cm^2 def convert_pixels_to_cm2(mask,nonzero_pixels,image_width_cm,image_height_cm ): # Get image resolution height, width = mask.shape[:2] # Calculate pixel resolution pixel_resolution_x = image_width_cm / width pixel_resolution_y = image_height_cm / height # Calculate the conversion factor conversion_factor = pixel_resolution_x * pixel_resolution_y # Convert nonzero pixels to square centimeters area_cm2 = nonzero_pixels *conversion_factor #(pixel_size_cm ** 2) II return area_cm2 # Open the default camera roi = [160, 90, 340, 333] cap = cv2.VideoCapture(0) ret, frame = cap.read() frame = frame[int(roi[1]):int(roi[1] + roi[3]), int(roi[0]):int(roi[0] + roi[2])] image=cv2.resize(frame,(300,300)) camera_thread = threading.Thread(target=camera_thread) camera_thread.start() while True: all_scores_mean_norm=[] inverted_mask=extract_yellow_mask(image,lower_yellow,upper_yellow) anomaly_map_resized_blur = gaussian_filter(inverted_mask, sigma=4) anomaly_map_resized_blur[0][0] = #Find index of pixel values(Abnormality region) anomaly_threshold_index = anomaly_map_resized_blur[anomaly_map_resized_blur >75] #75 #Pixel 0.5: string='abnormal' else: string='normal' #Tìm diện tích # Đếm số pixel vùng màu xanh vàng non_pix_g,non_pix_y=cv2.countNonZero(b_img_green),cv2.countNonZero(b_img_yellow ) #Tính tổng số pixel vùng plant_size=non_pix_g+non_pix_g # Chuyển từ giá trị pixel sang cm^2() pixel_2cm=convert_pixels_to_cm2(inverted_mask,plant_size,image_width_cm,image_h eight_cm ) #Add vào danh sách plant_areas.append(pixel_2cm) print(plant_areas) threshold_area = np.mean(plant_areas) if (threshold_area < 20): print('dieu chinh cho tuan 1') plant_stage_ref.set(0) III elif (threshold_area > 20): print('dieu chinh cho tuan 2') # Dừng luồng camera_thread.join() ser.close() IV S K L 0